摘要
确定植物健康状况是精准农业和粮食安全领域面临的新挑战，而在内存和性能受限的边缘设备上应用深度学习模型更是加剧了这一难题。我们提出了一种TinyMLOps流程，涵盖模型设计、优化、量化以及在不同边缘设备上的部署，这些都在受控实验室条件下进行了测试。该研究使用了来自PlantVillage基准测试的数据集，将39个细粒度类别归为三类：健康叶片、不健康叶片以及无叶片。因此，该系统用于进行植物健康状态分类和背景过滤，而非诊断特定疾病。我们训练了一个基于MobileNet的卷积神经网络，同时优化分类精度和计算效率，并采用了最先进的超参数优化工具。从中选出了五个模型，其中四个来自帕累托前沿，另一个是在超参数优化过程中评估出的最大规模模型。这些模型被转换为LiteRT和ONNX格式，分别在Raspberry Pi Zero 2 W和STM32H743ZI微控制器上以浮点32位精度及训练后的整数8位精度进行了测试。在Raspberry Pi上，对于所有五个模型，LiteRT的运行速度都是ONNX Runtime的1.87–2.65倍。与浮点32位的LiteRT版本相比，整数8位的LiteRT模型在磁盘上的大小减少了2.83–3.67倍，同时在同一硬件上的运行速度提升了21.3–31.2%，但F1分数会下降0.0010到0.0068。在微控制器上，只有两个最小的模型能在两种精度下运行；对于这些模型，完全量化的整数8位版本比浮点32位版本快
